|
- UID
- 871057
- 性别
- 男
|
摘要 通信辐射源个体识别是近来通信对抗领域的重要研究课题，不同于传统通信信号侦察中的调制模式识别研究，通信辐射源识别主要研究体现同类辐射源之间个体差异的信号指纹的分析提取技术。文中研究分析信号指纹的分析提取存在的技术难点和解决方案。对稳态通信信号的个体细微特征，如通信发射信号在载频和调制参数特征上的偏差，以及信号杂散输出成分的差异，并考虑将上述特征确立为反映通信电台个体技术特点的信号指纹，提出一个基于证据理论的通信辐射源识别方案，是实现个体识别在军事通信对抗作战计划的重要依据。
关键词 通信辐射源；模式识别；频率稳定度；个体识别
在现代军用电子信息装备中，以电台为主的各种通信设备担负着为重要军事载体提供通信、部署并实施军事打击或进行监视、电子干扰的重要任务。目前，在电子战研究领域，出现了辐射源“指纹”识别的方法，通过对接收信号进行特征测量，确定产生信号的辐射源个体，美军将其定义为“将辐射源惟一电磁特征与辐射源个体关联能力”。通信电台的这种关联起来的能力称为通信电台个体识别。如果能有效提取通信电台的个体指纹特征，在复杂的战场电磁环境中将每部电台区分开，实现对电台个体的分析识别，并分析哪些电台是敌方重要通信电台，然后进一步分析电台的性质和属性，确定通信网组成、威胁等级和干扰对象等，可以为针对性的电子侦收、干扰和军事打击提供重要依据。可见，确定有效的通信电台信号指纹特征、实现个体识别是军事通信对抗作战计划的重要依据。
1 指纹及信号指纹机理分析
1．1 通信辐射源指纹
通信辐射源个体信号的细微特征也称通信信号的“指纹”，指信号中可以用于标识发送该信号的通信设备身份的特征。通过通信信号处理技术，发现通信信号上所承载的通信辐射源稳定的硬件特征信息。可以认为信号指纹主要表现为同一通信设备在其发送的所有信号中反复表现出的一种有规律的变化趋势，而通信信号个体中这种重复出现的变化规律信息具有反映信号个体特点的技术特征，可以作为“指纹”用于标识发送该信号的通信设备的个体特征。
可作为指纹特征的通信信号特征参数：(1)通信信号载频的精确度差异。(2)通信信号调制参数的个体差异。(3)电台的杂散输出差异。
辐射源可提取的特征参数可分为如下几类：
(1)技术特征。调制方式、载频精度、频率稳定度。
(2)内部特征。数字通信的信息传输速率。(3)频域特征。信号带宽、调频参数调制失真度。(4)时变特征。瞬时包络、频率、相位。
1．2 信号指纹机理分析
通信辐射源个体识别是指在分析截获通信信号个体的基础上，得到信号中通信设备的工作参数和特征参数，然后利用这些参数获取该通信设备的体制、用途和型号等信息，进而掌握其工作状态，了解其战术运用特点、活动规律以及作战能力的过程。
文中研究的是同型号、同批次并工作于相同调制方式、频段的多个电台辐射信号的个体识别技术。通信辐射源个体识别主要包括3个过程：预处理、特征提取和分类识别。
通信信号指纹识别的本质是模式识别问题，识别的过程由设计和实现组成。设计是指用一定数量的样本进行分类器设计，实现是指用设计的分类器对待识别的样本进行分类决策。
2 通信信号指纹识别方法
2．1 特征参数值域判别法
采用特征参数值域判别法，首先要提取一个或多个能反映通信信号个体特征的参数值，根据各特征参数所在的值域范围，采用模式识别的方法进行个体识别，分析处理的主要过程是在时域和频域。
特征参数值域判别法也可以通过计算特征类的距离进行个体识别，其难点在于如何从原始测量数据提取和选择合适且必要的特征向量进行计算，重点是特征的提取和选择算法。
2．2 信号模本匹配识别法
信号模本匹配识别法的基本思想如下：
(1)对同一种通信信号形式中的N个信号进行参数提取，提取的特征参数为M个，N个已知信号的同一个特征参数值各不相同，这样，每一个信号就有M个特征参数值与其他信号相区别；
(2)将N个信号的M×N个特征参数存入数据库，建立包含N个已知信号模本的模本库；
(3)提取待识别信号的M个特征参数，与模本库中的模本进行比较，如果提取的特征参数与模本库中的某模本相匹配，即可完成个体识别。2．3 通信信号指纹识别分类器
在统计模式识别中，分类器即分类算法的基本任务是根据某一准则把一个给定的由特征向量表示的输入归入到一个适当的特征类别，即实现从特征空间到决策空间的转换，从而完成特征类的分类任务。
目前常用的分类器是基于统计决策理论的参数和非参数分类算法，如线性和广义线性决策函数，k-最近邻算法(K-NN)，二元分类树等。如果待识别特征的概率密度函数已知或可以通过样本得到精确估计，那么这些分类算法可以得到最佳识别性能，但是在通信信号指纹识别问题中，这些条件很难满足，传统分类器难以获得满意的个体识别性能。主要缺点是识别率低、稳健性差。
决策理论的发展克服了传统分类器的不足，提出了更先进的不确定性推理理论，在此基础上，分类器识别性能得到了显著提高。其中，神经网络分类器作为一种先进的自适应、非参数和非线性分类器。为进行信号模式识别开辟了一条新途径。神经网络是一种以自组织、自适应和大规模分布式并行计算为特征的非线性信号处理系统，具有强大的模式识别分类和泛函逼近能力，并具有良好的容错性。
组合分类器是近年来提出的一个新课题，指通过一个组合器对不同分类器的输出作第二次判决，由于融合了多个分类器的决策，所以可以得到更好的分类性能，而其中的每个分类器都不要求是最优的，为通信信号的识别提供了新途径。
3 一种基于证据理论的个体识别方案
文中对通信信号指纹的研究主要采用“机理研究-特征分析-特征提取-分类实验”的方法，其中由于实际通信信号信噪比变化范围大，容易导致识别率下降，直接影响分类器的分类性能。基于D-S证据组合原理进行分类器设计，可以由不同类别指纹特征参量集进行特征提取，下面给出一种基于证据理论组合分类器的辐射源个体识别的设计方法，其结构如图2所示。
对于接收到的通信信号，首先通过通信信号预处理，再进行指纹特征提取，通过确立通信信号的载频、调制参数及杂散成分特性为稳态信号指纹，可以对上述特征运用时域、频域分析方法和现代时频域和高阶谱方法进行特征分析提取。在分类器设计方面，第一级分类器可以选用特征参数值域判别法、信号模本匹配识别法等方法实现第一级分类，第二级采用并行组合分类器，这样将高维特征空间的判分问题转化为针对不同低维空间进行划分的问题，再对第一级分类器的输出作第二次判决。这样，融合了多个分类器的决策，能够获得较好的分类性能。
D-S证据组合分类器对独立的信息才能进行融合，其关键在于基本概率分配函数(BPA)的确定。文献认为如果各分类器使用不同的特征集或训练集，则可认为不同分类器结果之间是独立的。因而，文中利用不同的辐射源个体特征训练不同的成员分类器，并进行D-S证据理论组合，可以根据需要选择合适的证据组合规则进行通信辐射源类别的判断。
4 结束语
随着通信技术的飞速发展，通信体制和调制样式更加复杂多样，通信电台的配置数量不断增加，常规电子侦察采用的信号特征，如载波频率、调制样式和调制参数等在复杂多变的信号环境下，已难以满足现代战场的需求。通信辐射源识别主要研究体现同类辐射源之间个体差异的信号指纹的分析提取技术。分析了通信辐射源的指纹选择问题，对信号指纹进行通信辐射源的机理进行分析，对目前通信信号的指纹识别的常用方法进行了总结，并提出了一种基于证据理论的通信辐射源指纹识别方法。 |
|
